Все бегут в GEO, AEO и AI-выдачу. Но в этом проекте рост лидов в 4,2 раза начался не с генеративной оптимизации, а с технической базы: поиска длинного хвоста, самостоятельных посадочных страниц, чистых URL, индексации, микроразметки и понятного пути до заявки.
Речь о Saby Trade - сервисе поиска государственных и коммерческих закупок. За восемь месяцев мы перестроили листинг торгов как поисковый и продуктовый каталог. Органический трафик вырос с 7 500 до 17 733 визитов в месяц, а количество заявок в CRM - с 90 до 373.
У проекта появился и второй результат, которого не было в первоначальном плане. Спустя месяц Saby Trade стал появляться в AI-ответах Яндекса: сначала в рекомендациях сервисов для торгов, затем в подсказках по конкретным публичным лотам. Это важное наблюдение, но не причина роста заявок: сначала сработала SEO-архитектура, а присутствие в AI-ответах проявилось позже.
Почему начали не с GEO
Обсуждение AI-поиска легко смещает внимание к новым аббревиатурам. При этом в большом листинге спрос часто уже лежит в тысячах низкочастотных запросов: по регионам, категориям, заказчикам, видам процедур и номерам торгов.
Если под такой спрос нет самостоятельных страниц, поисковой системе нечего ранжировать. Фильтр может менять содержимое экрана, но URL, метатеги и смысл документа остаются прежними. Поэтому первый вопрос проекта звучал не «как попасть в AI-ответ», а «какие сущности ищут пользователи и есть ли у каждой из них собственная посадочная».
Продукт с естественным длинным хвостом
Saby Trade помогает бизнесу находить государственные и коммерческие закупки. Его маркетинговая особенность - матрица регионы × категории × торги. Внутри неё потенциально существует большое количество страниц под узкие, но конкретные запросы.
Пользователь может искать все торги в Ярославской области, закупки по безопасности и охране или конкретную процедуру по известному идентификатору. Эти сценарии требуют разных страниц: регионального листинга, категорийного листинга и карточки торга.
Проблема №1: как массово найти НЧ-семантику
Можно месяцами собирать варианты в Wordstat и парсить подсказки. Мы пошли от фактической истории сайта. Яндекс уже периодически показывал Saby по разным запросам, поэтому в данных Вебмастера был накоплен след реального спроса.
Через API мониторинга поисковых запросов Яндекс Вебмастера выгрузили запросы и URL, которые получали показы. Так нашли массивы семантики по регионам и категориям, а заодно увидели второй слой проблемы: поисковик часто приводил пользователя не на ту страницу, которую команда считала целевой.
Это изменило постановку задачи. Нужно было не просто расширить семантическое ядро, а создать для найденного спроса правильные документы и переназначить поисковые интенты на подходящие типы страниц.
Проблема №2: сущности были, а адресов не было
До работ торг, категория и регион открывались через параметры одного раздела /tenders/. У карточек не было постоянных человекопонятных URL, у региональных и категорийных выборок - самостоятельных адресов. Для типов страниц не были системно заданы свои H1, Title, Description и микроразметка.
В интерфейсе пользователь видел нужную выборку, но для поиска это оставалось вариацией одного документа. Такую конструкцию сложно масштабировать: роботу труднее обнаруживать и связывать страницы, а команде - управлять индексацией, сниппетами и релевантностью.
Главная архитектурная гипотеза была простой: каждая сущность, за которой стоит отдельный поисковый интент, должна получить собственный адрес, метаданные, место в иерархии и понятный следующий шаг.
Точка А и план
Перед внедрением зафиксировали стартовые показатели на 1 августа 2025 года и построили план к 31 марта 2026 года. Смотрели не только на визиты: главным KPI были заявки, подтверждённые в CRM.
| Тип страницы | Было: трафик | Было: заявки | План: трафик | План: заявки |
|---|---|---|---|---|
| Разводящая | 5 646 | 77 | 5 600 | 80 |
| Листинги по регионам | 913 | 4 | 8 000 | 64 |
| Листинги по категориям | 540 | 3 | 7 000 | 35 |
| Карточки торгов | 401 | 6 | 20 000 | 200 |
| Итого | 7 500 | 90 | 40 600 | 379 |
План был моделью, а не обещанием. Он показывал, где команда ожидает рост и какую экономику должна дать новая структура. Позже оказалось, что итоговый объём заявок модель оценила почти точно, а путь пользователя и распределение результата между страницами - нет.
Что сделали за семь месяцев
Месяцы 1-4. Базовая SEO-архитектура
Перевели карточки торгов на постоянные URL вида /tenders/card/{id}. Создали отдельные посадочные для регионов /tenders/regions/{region} и категорий /tenders/categories/{category}. Для каждого типа страниц подготовили шаблоны H1, Title и Description.
Так запрос по конкретному лоту стал вести на карточку, региональный спрос - на региональный листинг, а запрос по виду закупки - на страницу категории. Один тип страниц получил один адрес и свой поисковый интент.
Месяц 5. Иерархия, sitemap и переобход
Пересобрали карту сайта, добавили в неё регионы, категории и карточки торгов, выстроили вложенность и внутреннюю перелинковку. Новые URL отправляли на переобход доступными средствами поисковых систем.
Здесь важно разделять механики. У Яндекса есть очередь переобхода в API Вебмастера. Google Indexing API официально ограничен страницами JobPosting и трансляциями с BroadcastEvent, поэтому для обычных торговых листингов основой обнаружения в Google остаются sitemap, ссылки и стандартный обход.
Месяц 6. Микроразметка Schema.org
Для листингов внедрили ItemList, для карточек торгов - Product + Offer либо Service, где это соответствовало содержанию. Для участников использовали Organization, для навигации - BreadcrumbList, для разделов - WebPage и CollectionPage.
Микроразметка не заменяет архитектуру и не гарантирует расширенный сниппет. Её задача - точнее объяснить поисковой системе, что находится на странице и как сущности связаны между собой.
Месяц 7. Конверсионные шаблоны
Рост видимости сам по себе не приносит бизнес-результат. Поэтому листинги и карточки переработали вместе с продуктовым сценарием: добавили цены, заказчиков, сроки и статусы торгов, сделали CTA заметнее, показали ценность полного доступа.
На региональных и категорийных листингах появилось явное действие «Начать бесплатно». В карточке торга - блок полного доступа и CTA «Получить доступ». Коммерческая информация оказалась рядом с действием, а не спрятана в интерфейсе.
Месяц 8. Замер без новых изменений
Последний месяц отвели на наблюдение. Это позволило не смешивать эффект очередных релизов с результатом уже внедрённой архитектуры.
Результат: 98% плана по заявкам при 44% плана по трафику
Трафик вырос в 2,36 раза - с 7 500 до 17 733 визитов. Заявки в CRM выросли в 4,14 раза - с 90 до 373. В заголовке это округлено до 4,2 раза.
| Тип страницы | Стало: трафик | Стало: заявки CRM | Выполнение плана по заявкам | Видимость в поиске |
|---|---|---|---|---|
| Разводящая | 7 107 | 199 | 249% | 60% |
| Листинги по регионам | 3 008 | 24 | 38% | 22% |
| Листинги по категориям | 1 598 | 23 | 66% | 12% |
| Карточки торгов | 6 020 | 127 | 64% | 88% |
| Итого | 17 733 | 373 | 98% | - |
План по трафику был выполнен на 44%: 17 733 визита против 40 600. При этом план по заявкам был выполнен на 98%: 373 против 379. Конверсия органического трафика в CRM-заявку выросла примерно с 1,2% до 2,1%.
Карточки торгов получили самую высокую видимость среди новых типов страниц - 88% в используемом срезе - и выросли с 6 до 127 заявок. Но главным сюрпризом стала разводящая страница: вместо плановых 80 она принесла 199 заявок.
Почему заявки почти догнали план, а трафик - нет
В исходной модели мы предполагали, что каждая новая страница будет конвертировать собственный входящий трафик. Реальное поведение оказалось сложнее. Карточки торгов, категории и регионы стали точками входа, после чего заметная часть пользователей переходила на разводящую страницу и оставляла заявку уже там.
Перелинковка не только помогла роботам находить документы. Она изменила пользовательский маршрут. Поэтому прямые конверсии отдельных листингов недооценивали их вклад: часть ценности проявлялась через ассистированные переходы внутри сайта.
Это объясняет расхождение прогноза и факта. Команда получила намного меньше трафика, чем планировала, но привела его в более сильный продуктовый сценарий. В результате заявки почти достигли целевого значения.
Что обнаружили в AI-ответах Яндекса
Спустя месяц после основного замера Saby Trade появился в AI-ответах по запросам вида «посоветуй программу для торгов», в топах и сравнениях сервисов. Продукт упоминался рядом с конкурентами и получал ссылку на saby.ru.
Второе наблюдение оказалось ещё интереснее. По запросу с идентификатором конкретного публичного лота AI-ответ предлагал посмотреть детали на Saby и направлял пользователя к информации о нужной процедуре.
Мы не проводили отдельный эксперимент, который позволил бы разложить влияние URL, микроразметки, ссылок и других сигналов на AI-ответ. Поэтому корректная формулировка здесь - наблюдение после внедрения, а не доказанная причинность. Но кейс показывает практическую связь: качественно описанные, доступные и индексируемые сущности полезны и классическому поиску, и системам, которые собирают ответы поверх поискового индекса.
Практический вывод
Рост в 4,2 раза начался не с GEO. Рабочая последовательность выглядела так:
- Нетривиально найти длинный хвост по реальной истории запросов.
- Создать качественные посадочные под самостоятельные интенты.
- Дать каждой сущности чистый URL, метатеги и место в иерархии.
- Обеспечить обнаружение через sitemap и перелинковку.
- Добавить корректную микроразметку.
- Связать входную SEO-страницу с понятным конверсионным маршрутом.
- Измерять не только прямую конверсию страницы, но и весь путь до заявки в CRM.
GEO и AI-поиск не отменяют техническое SEO. Наоборот, им нужна та же база: однозначные сущности, доступные страницы, ясные связи и содержательные данные. В этом проекте такая база сначала дала кратный рост заявок, а затем проявилась и в AI-ответах.
Материалы к статье
Обсудить выводы
В Telegram-канале «Влад ПРО» публикую короткие разборы новостей SEO, аналитики и digital-маркетинга.
Перейти в Telegram →